如何利用df2将df1中特定日期的MP10值设为NaN？

这里提供两种简洁有效的实现方式：

方法1：合并后用combine_first替换 #

先通过日期列（day/month/year）合并两个DataFrame，再用df2的NaN值覆盖df1的对应位置：

import pandas as pd
import numpy as np

# 原始df1定义
df = {
  "day": [1, 2, 3, 4, 5, 6, 7],
  "month": [1, 1, 4, 4, 7, 7, 7],
  "year": [2015, 2015, 2016, 2017, 2017, 2019, 2019],
  "mp10": [10, 15, 20, 5, 7, 14, 18]  
}
df1 = pd.DataFrame(df)

# 用于替换的df2定义
df = {
  "day": [2, 5, 7],
  "month": [1, 7, 7],
  "year": [2015, 2017, 2019],
  "mp10": [np.NaN, np.NaN, np.NaN]  
}
df2 = pd.DataFrame(df)

# 按日期列左合并，保留df1所有行
merged = pd.merge(df1, df2, on=['day', 'month', 'year'], how='left', suffixes=('_orig', '_new'))
# 替换逻辑：有df2匹配的用NaN，无匹配的保留原数值
df1['mp10'] = merged['mp10_new'].combine_first(merged['mp10_orig'])

方法2：用update方法直接更新 #

通过设置日期列为索引，使用update方法高效替换匹配位置的值：

# 为两个DataFrame设置日期复合索引
df1_idx = df1.set_index(['day', 'month', 'year'])
df2_idx = df2.set_index(['day', 'month', 'year'])

# 仅更新与df2索引匹配的行，将对应mp10设为NaN
df1_idx.update(df2_idx)

# 恢复原始的列索引结构（可选操作）
df1 = df1_idx.reset_index()

两种方法都能精准实现需求：将df1中与df2日期匹配的mp10值替换为NaN，不匹配的行保持原数值。

内容的提问来源于stack exchange，提问作者Daniel M M